基于模拟退火的DNA遗传优化小波多模盲均衡算法

针对小波多模盲均衡算法收敛速度慢、稳态误差大、容易陷入局部最优解的缺点,提出一种基于模拟退火的DNA遗传优化小波多模盲均衡算法。该算法将模拟退火算法与DNA遗传算法相结合,利用模拟退火算法对个体的退火操作,提高了DNA遗传算法的局部搜索能力。同时,在DNA遗传算法中采用自适应变异概率,进一步改善了算法的性能。根据盲均衡算法的特点,将基于模拟退火的DNA遗传算法融入到小波多模盲均衡算法中,对均衡器权向量进行了优化。仿真结果表明,与多模盲均衡算法和小波多模盲均衡算法相比,该算法在收敛速度和均方误差方面都有显著改善。     

一种基于ZSP800核改进型LMS自适应滤波算法的实现

针对手机终端语音降噪处理系统中,广泛使用计算复杂度较小的固定步长LMS（Least Mean Square）自适应滤波算法。本文提出一种通过建立步长因子μ（n）和误差信号e（n）非线性函数关系,进而把固定步长LMS自适应算法改进为新的变步长自适应滤波算法,较好地解决了固定步长因子无法解决收敛速度和稳态误差之间相矛盾的不足。最后,给出了改进型算法在ZSP800核数字信号处理器（DSP）上的实现方法。     

求解多目标优化问题的新遗传算法

给出了求解多目标优化问题的一种新解法。定义了多目标优化问题的非劣方向,设计了方向杂交算子和简单的变异算子。标准算例的计算机仿真结果表明,新算法可以快速地找到一组范围广、分布均匀且数量充足的Pareto最优解。     

求解最小闭包球问题改进的SMO-型算法

研究n维空间中m个点的最小闭包球(MEB)问题。通过结合确定并删除内部点的技术到序列最小最优化(SMO)方法中,提出一种近似求解MEB问题的改进的SMO-型算法。证明了该算法具有线性收敛性。数值结果表明对于一些mn的大规模数据集,改进的算法与原算法相比速度可以提高10倍以上。尤其,当n等于100且m等于100000时,改进的SMO-型算法仅需执行8s。此外,对于n等于10000且m等于1000的大规模数据集,改进的算法也仅需执行150s。     

常数π的计算方法

我们都知道??π=3.1415926,它是一个无限不循环小数,你知道它是怎样计算出来的吗？其实π是一个无穷级数,它有很多种计算方法,本文将介绍π的两种计算方法。     

具有反馈信息的迭代学习控制律在Lebesgue-p范数意义下的收敛性

针对一类线性时不变系统, 提出了具有反馈信息的PD-型(Proportional-derivative-type)迭代学习控制律, 利用卷积的推广的Young不等式, 分析了控制律在Lebesgue-p范数意义下的单调收敛性. 分析表明, 收敛性不但决定于系统的输入输出矩阵和控制律的微分学习增益, 而且依赖于系统的状态矩阵和控制律的比例学习增益; 进一步, 当适当选取反馈增益时, 反馈信息可加快典型的PD-型迭代学习控制律的单调收敛性. 数值仿真验证了理论分析的正确性和控制律的有效性.     

基于群体适应度方差的自适应混沌粒子群算法*

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,来改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。     

B-P模型在资源优化控制中的应用及改进

B-P模型是最早被提出来的人工神经网络模型之一,它是一种简单而且非常有效的算法.在本文中,把它应用到制造资源计划(Manufacturing Resources Planning,MRP-Ⅱ)系统中,进行资源优化控制.并且,在实现过程中针对实际情况,对传统的B-P算法进行了多方面的改进,使得算法更加有效.     

基于核方法的强化学习算法

传统的强化学习算法通常假设状态空间和行动空间是离散的,而实际上很多问题的状态空间是连续的,这就大大地限制了强化学习在实际中的应用.为克服以上不足,本文提出了一种基于核方法的强化学习算法,能直接处理具有连续状态空间的问题.最后,通过具有连续状态空间和离散行动空间的mountain car问题来验证算法.实验表明,这种算法在处理具有连续状态空间的问题时,和传统的先把状态空间离散化的方法相比,能以较少的训练数据收敛到更好的策略.     

一种改进的GA变异算子及其数学分析

提出了一种改进的GA变异算子,并对其有效性作了数学分析。实例表明,该算子能改善GA的收敛性能。